ESTIMASI MODEL SEEMINGLY UNRELATED REGRESSION (SUR) PADA FOREIGN DIRECT INVESTMENT (FDI) DI INDONESIA, SINGAPURA DAN FILIPINA TUGAS AKHIR Disusun Oleh: Rifa Fitrianti 14 611 094 JURUSAN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS ISLAM INDONESIA YOGYAKARTA 2018
PADA FOREIGN DIRECT INVESTMENT (FDI) DI INDONESIA,
SINGAPURA DAN FILIPINA
UNIVERSITAS ISLAM INDONESIA
PADA FOREIGN DIRECT INVESTMENT (FDI) DI INDONESIA,
SINGAPURA DAN FILIPINA
Jurusan Statistika
Disusun Oleh:
Rifa Fitrianti
UNIVERSITAS ISLAM INDONESIA
Singapura dan Filipina
TUGAS AKHIR INI TELAH DIPERIKSA DAN DISETUJUI UNTUK
DIUJIKAN
iii
PADA FOREIGN DIRECT INVESTMENT (FDI) DI INDONESIA,
SINGAPURA DAN FILIPINA
Nama Penguji Tanda Tangan
Mengetahui,
Drs. Allwar, M.Sc., Ph.D.
melimpahkan rahmat, hidayah serta inayah-Nya sehingga penulis
dapat
menyelesaikan tugas akhir ini sebagaimana mestinya. Tidak lupa
sholawat serta
salam tercurahkan kepada Nabi Muhammad SAW yang telah membawa
ummatnya
dari zaman jahiliyyah hingga zaman yang terang benderang dengan
berbagai ilmu
pengetahuan.
Tugas akhir ini disusun sebagai hasil akhir perkuliahan yang
dilakukan oleh
penulis untuk memenuhi persyaratan meraih gelar Strata I Jurusan
Statistika. Tugas
akhir ini berisi tentang “Estimasi Model Seemingly Unrelated
Regression (SUR)
pada Foreign Direct Investment (FDI) di Indonesia, Singapura dan
Filipina”
Selama melaksanakan tugas akhir, penulis telah banyak
mendapatkan
bimbingan, arahan dan bantuan dari berbagai pihak. Sehingga dalam
kesempatan
ini penulis mengucapkan terimakasih kepada :
1. Bapak Drs. Allwar, M.Sc., Ph.D., selaku Dekan Fakultas
Matematika dan
Ilmu Pengetahuan Alam, Universitas Islam Indonesia.
2. Bapak Dr. RB Fajriya Hakim, S.Si., M.Si., selaku Ketua Jurusan
Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Islam
Indonesia besera seluruh jajarannya.
3. Bapak Dr. Edy Widodo, S.Si., M.Si., selaku dosen pembimbing
dalam
menyusun tugas akhir ini yang telah memberi bimbingan dan
arahannya.
4. Bapak Prof. Akhmad Fauzy, M.Si., Ph.D., selaku Dosen
Pembimbing
Akademik.
5. Seluruh Dosen dan Staff Program Studi Statistika yang telah
banyak
memberikan bimbingan kepada penulis.
v
6. Bapak, Ibu, Adik tersayang dan Keluarga Besar yang selalu
memberikan
semangat dan mendoakan yang terbaik untuk penulis.
7. Sahabat seperjuangan Andre Pratama, Afifah Mukhtaroh, Cynthia
Hazirah,
Novinda Widya, Achmad Kurniansyah, Ari Wicaksono dan Syauqi
Amri,
terimakasih telah menjadi sahabat sekaligus keluarga yang selalu
ada sejak
awal datang ke Yogyakarta hingga saat ini.
8. Sahabat diskusi Luthfi Ria Inayah, Rina Wahyuningsih, dan Indang
Sartika
yang selalu mendengarkan, bersedia untuk diskusi dan
bersama-sama
mencari jalan keluar untuk berbagai kesuliatan mata kuliah.
9. Sahabat-sahabat saya di Statistika UII khususnya angkatan 2014,
yang
banyak membantu, memberi semangat serta motivasi saya selama
memulai
dan menyelesaikan tugas akhir ini hingga selesai.
10. Semua pihak yang tidak dapat disebutkan satu per satu yang
telah membantu
penulis hingga akhirnya dapat menyelesaikan tugas akhir ini.
Penulis menyadari sepenuhnya bahwa tugas akhir ini masih jauh
dari
sempurna, oleh karena itu segala bentuk saran dan kritik yang
membangun selalu
penulis harapkan. Semoga tugas akhir ini dapat bermanfaat bagi
penulis khususnya
dan bagi semua yang membutuhkan pada umumnya. Akhir kata, semoga
Allah
SWT selalu melimpahkan rahmat serta hidayah-Nya kepada kita semua,
Aamiin
aamiin ya robbal’alamin.
Wassalamu’alaikum, Wr. Wb.
3.1 Pengertian Investasi
................................................................................
10
3.4 Suku Bunga
............................................................................................
14
3.8 Asumsi-Asumsi pada
Regresi.................................................................
22
3.8.1.2 Uji QQ-Plot
.................................................................................
24
3.8.2 Uji Multikolinearitas
.......................................................................
25
3.8.3 Uji Autokorelasi
..............................................................................
26
3.8.4 Uji Homoskedastisitas
.....................................................................
27
3.10 Variansi
..................................................................................................
30
3.11 Kovariansi
..............................................................................................
33
3.13 Korelasi
..................................................................................................
35
3.15 Perkalian Kronecker
...............................................................................
38
3.17 Uji Homogenitas
.....................................................................................
39
3.19 Estimasi GLS pada Model SUR
.............................................................
41
3.20 Contoh Analisis Estimasi GLS pada Model SUR
.................................. 43
BAB IV METODOLOGI PENELITIAN
.............................................................
46
4.1 Data
........................................................................................................
46
4.4 Tahapan Penelitian
.................................................................................
47
5.1 Analisis Deskriptif
..................................................................................
49
5.2.2 Analisis Generalized Least Square (GLS) Model SUR
.................. 54
5.2.3 Perbandingan Model SUR dan OLS
............................................... 56
BAB VI PENUTUP
..............................................................................................
58
3.3 Tabel Analisis Variansi Contoh Kasus
............................................ 22
3.4 Tabel Data Ilustrasi Investasi di Perusahaan
................................... 23
3.5 Data Ilustrasi Perhitungan Standar Error
........................................ 29
3.6 Data Ilustrasi Estimasi GLS
............................................................
43
3.7 Nilai OLS....................
.....................................................................
43
3.8 Nilai Residual
..................................................................................
43
4.1 Definisi Operasional Variabel
......................................................... 46
5.1 Model Regresi Menggunakan OLS
................................................. 54
5.2 Hasil Uji Jarque Berra
.....................................................................
54
5.3 Matriks Kovarian Antar Galat Model
.............................................. 55
5.4 Model SUR dengan Estimasi GLS
.................................................. 55
5.5 Perbandingan Model SUR Estimasi GLS dan OLS
........................ 57
x
Nomor Judul Halaman
1.1 Foreign Direct Investment (net inflow, % of GDP) (Data diolah)
..... 3
3.1 Gejala Homoskedastisitas
...................................................................
27
3.2 Gejala Heteroskedastisitas
..................................................................
27
3.3 Kurva Normal
.....................................................................................
37
3.4 Kurva Normal dengan 1 < 2 dan 1 = 2
...................................... 37
3.5 Kurva Normal dengan 1 = 2 dan 1 < 2
...................................... 37
3.6 Kurva Normal dengan 1 < 2 dan 1 < 2
...................................... 37
4.1 Diagram Alir Penelitian
......................................................................
48
5.1 Grafik FDI (net inflow, Milyar US$) (Data
diolah)............................ 49
5.2 Grafik Produk Domestik Bruto (Milyar, US$) (Data diolah)
............. 50
5.3 Grafik Suku Bunga (%) (Data diolah)
................................................ 51
5.4 Grafik Impor (Milyar, US$) (Data diolah)
......................................... 52
5.5 Grafik Ekspor (Milyar, US$) (Data
diolah)........................................ 53
xi
BLUE : Best Linear Unbias Estimator
ECM : Error Correction Model
FDI : Foreign Direct Investmen
GDP : Gross Domestic Productt
GLS : Generalized Least Squares
JKG : Jumlah Kuadrat Galat
JKR : Jumlah Kuadrat Regresi
JKT : Jumlah Kuadrat Total
MSE : Mean Square Error
MSR : Mean Square Regression
OLS : Ordinary Least Square
PDB : Produk Domestik Bruto
PMA : Penanaman Modal Asing
SRF : Sample Regression Function
SUR : Seemingly Unrelated Regression
VIF : Variance Inflation Factor
Nomor Judul Halaman
1a Data FDI, PDB, Suku Bunga, Ekspor dan Impor Negara Indonesia
...... 63
1b Data FDI, PDB, Suku Bunga, Ekspor dan Impor Negara Singapura
...... 64
1c Data FDI, PDB, Suku Bunga, Ekspor dan Impor Negara Filipina
.......... 65
2a Hasil Standarisasi Data Indonesia
...........................................................
66
2b Hasil Standarisasi Data Singapura
.......................................................... 67
2c Hasil Standarisasi Data Filipina
..............................................................
68
3 Sintaks Analisis Data
..............................................................................
69
4 Hasil Analisis Deskriptif
.........................................................................
71
5 Hasil Analisis OLS
..................................................................................
72
6 Hasil Uji QQ-Plot
....................................................................................
74
7 Hasil Uji Jarque Bera
..............................................................................
76
8 Hasil Analisis SUR
..................................................................................
77
9 Tabel Chi- Square
...................................................................................
79
10 Tabel F (α = 5%)
.....................................................................................
80
xiii
PERNYATAAN
Dengan ini saya menyatakan bahwa dalam Tugas Akhir ini tidak
terdapat
karya yang sebelumnya pernah diajukan untuk memperoleh gelar
kesarjarnaan di
suatu perguruan tinggi dan sepanjang pengetahuan saya tidak
terdapat karya atau
pendapat yang pernah ditulis atau diterbitkan oleh orang lain,
kecuali yang di acu
dalam naskah ini dan disebutkan dalam daftar pustaka.
Yogyakarta, Februari 2018
PADA FOREIGN DIRECT INVESTMENT (FDI) DI INDONESIA
SINGAPURA DAN FILIPINA
Oleh: Rifa Fitrianti
Universitas Islam Indonesia
Model Seemingly Unrelated Regression (SUR) merupakan suatu sistem
persamaan
linear yang terdiri dari beberapa persamaan dimana antar galat
persamaan terjadi
korelasi kesebayaan. Dalam hal ini, metode OLS dapat digunakan
untuk
mengestimasi parameter dari masing-masing persamaan, namun metode
OLS
memiliki kelemahan, yaitu harus membuang informasi kemungkinan
adanya
hubungan pada sistem persamaan. Dalam tugas akhir ini, digunakan
metode
Generalized Least Square (GLS) untuk mengestimasi parameter model
SUR. Pada
penelitian ini uji Lagrange Multiplier digunakan untuk menguji
korelasi kesebayaan
antar galat persamaan FDI Indonesia, Singapura dan Filipina. Dari
hasil analisis
disimpulkan bahwa dari estimasi GLS variabel yang berpengaruh pada
FDI
Indonesia adalah variabel PDB, suku bunga, ekspor dan Impor, pada
negara
Singapura FDI dipengaruhi oleh variabel ekspor dan impor, sedangkan
pada negara
Filipina FDI hanya dipengaruhi oleh variabel PDB. Penggunaan
SUR
menghasilkan koefisien determinasi yang lebih besar yaitu sebesar
90.73%.
Kata Kunci : Seemingly Unrelated Regression, Generalized Least
Square,
Ordinary Least Square, Gross Domestic Product, Foreign Direct
Investment.
xv
IN FOREIGN DIRECT INVESTMENT (FDI) IN INDONESIA
SINGAPURA AND FILIPINA
By : Rifa Fitrianti
Islamic University of Indonesia
ABSTRACT
Seemingly Unrelated Regression (SUR) model is a system of linear
equations
consisting of several equations where between the equation error
occurs
contemporaneously correlated. In this case, the OLS can be used to
estimate the
parameters of each equation, but the weaknesses of OLS method is
remove
information on a possible correlation on system equations. This
final task, the
method of Generalized Least Square (GLS) used to estimate
parameters SUR. In
this research the Lagrange Multiplier test is used to test the
correlation between
FDI equations between Indonesia, Singapore and the Philippines.
From the results
of the analysis, it can be concluded that from the GLS estimates,
the variables
affecting FDI Indonesia are GDP variables, interest rate, export
and imports, in
Singapore FDI is influenced by export and import variables, whereas
Philippine
FDI is only influenced by GDP variables. The use of SUR resulted in
a coeficiant
determinant coefficient of 90.73%.
1
Foreign Direct Investment (FDI), merupakan bentuk investasi dengan
jalan
membangun, membeli total atau mengakuisisi perusahaan. FDI
merupakan sumber
pembiayaan yang penting bagi suatu negara untuk tumbuh. Peran FDI
menjadi
penting karena FDI mampu meningkatkan modal domestik suatu
negara,
menyediakan lapangan pekerjaan yang lebih luas, terlebih lagi FDI
menjadi salah
satu cara bagi negara tujuan investasi untuk mempelajari teknologi
canggih dan
berbagai kemampuan manajerial dari negara maju. Dengan
mempertimbangkan
pengaruh besar dari FDI maka banyak negara khususnya negara yang
sedang
berkembang berusaha mendorong aliran FDI dari luar untuk masuk ke
negaranya
dengan memperhatikan beberapa faktor penting yang dapat
mempengaruhi aliran
FDI. Dalam hal pembentukan modal suatu negara, peran investasi baik
modal
domestik maupun modal asing memberikan kontribusi pada pertumbuhan
ekonomi.
Asia Tenggara merupakan kawasan dengan sebagian besar
negaranya
adalah negara berkembang, seperti Indonesia, Malaysia, Filipina,
dan sebagainya.
Sama halnya dengan negara-negara berkembang lainnya, negara
berkembang di
Asia Tenggara ini juga dihadapkan pada berbagai masalah, baik
masalah ekonomi,
pembangunan, pendidikan, bahkan teknologi. Untuk mengejar
ketertinggalan dari
negara-negara maju, maka negara berkembang harus terus berupaya
mencari jalan
keluar dari problematika negara berkembang. Salah satu cara yang
dapat dilakukan
yaitu dengan memanfaatkan dana yang besar untuk pembangunan
nasional dan juga
harus mengundang pembiayaan luar negeri, yaitu FDI. Bagi negara
berkembang
FDI merupakan suatu investasi jangka panjang, kedatangan FDI dapat
membantu
pembangunan ekonomi dalam hal pembangunan modal, menciptakan
lapangan
pekerjaan maka akan tergarap sumber-sumber baru (Maya Malisa,
2017).
2
investasi terdiri dari investasi dalam negeri (Domestic Investment)
dan dari pihak
asing (FDI) atau yang lebih dikenal dengan PMDN dan FDI. Menurut
sifatnya
investasi terbagi atas investasi langsung maupun tidak langsung.
Investasi tidak
langsung adalah investasi yang masuk melalui pasar uang dimana
investasi ini
cenderung bersifat jangka pendek dan kurang stabil. Sedangkan
investasi langsung
adalah investasi yang masuk melalui sektor riil yang biasanya
berupa komitmen
jangka panjang (Andi Adiyudawansyah, 2012). Aliran investasi yang
masuk dan
keluar pada suatu negara menjadi faktor yang sangat penting dalam
peningkatan
kesejahteraan investor dalam bentuk finansial, oleh karena itu
pemerintah banyak
memberikan perhatian pada investasi asing langsung (FDI).
Peningkatan FDI
dianggap penting dalam menjamin kelangsungan pembangunan suatu
negara
dibandingkan dengan aliran bantuan atau modal portofolio. Hal ini
dikarenakan dari
adanya FDI disuatu negara akan diikuti dengan transfer of
technology, management
skill, resiko usaha relatif kecil dan lebih profitable.
Dalam merencanakan pembangunan ekonomi memerlukan berbagai
macam
indikator ekonomi. Salah satunya indikator untuk mengetahui kondisi
ekonomi
suatu negara yaitu dari segi produk domestik bruto, karena jika
pendapatan nasional
riilnya terus naik dari periode sebelumnya maka negara dapat
dikatakan terjadi
pertumbuhan ekonomi pada negara tersebut. Pertumbuhan PDB ini
dapat
memberikan pengaruh yang baik bagi masuknya investasi. Selain PDB,
suku bunga
juga mempengaruhi investasi asing langsung karena akan mempengaruhi
keputusan
investor untuk melakukan investasi. Kegiatan ekspor impor suatu
negara
menggambarkan luas pasar yang dimiliki oleh suatu negara, dari
kegiatan ini
pertumbuhan ekonomi suatu negara dapat tumbuh.
Jika dibandingkan dengan negara-negara tetangga, perkembangan FDI
di
Indonesia dan Filipina selama satu dekade terakhir terbilang cukup
rendah, seperti
yang terlihat pada Gambar 1.1. Sementara itu dalam satu dekade
terakhir
penurunan presentasi FDI pada tahun 2008 cukup drastis hampir 20%
penurunan
terjadi pada tahun 2008 jika dibandingkan dengan tahun sebelumnya.
Dalam satu
3
dekade terakhir terlihat bahwa presentase FDI terbesar yang masuk
pada negara
Indonesia terjadi pada tahun 2014 sebesar 2.82%, Malaysia pada
tahun 2011
sebesar 5.07%, Filipina pada tahun 2016 sebesar 2.62%, Singapura
pada tahun 2007
sebesar 26.52%, Thailand pada tahun 2010 sebesar 4.32%, dan Vietnam
pada tahun
2008 sebesar 9.66%. Penentu masuknya FDI disuatu negara dipengaruhi
oleh
beberapa faktor, antara lain oleh faktor PDB, suku bunga dan
aktifitas ekspor impor.
Penulis memilih tiga negara yaitu Indonesia, Singapura dan Filipina
dikarenakan
faktor kedekatan geografis dan ketiganya berada disuatu kawasan
ekonomi yang
sama yaitu dalam lingkup perekonomian ASEAN. Selain karna dalam
lingkup
perekonomian yang sama, pada penelitian sebelumnya oleh Fella Shufa
pada tahun
2016 analisis SUR digunakan untuk menganalisis FDI pada negara
berkembang
Indonesia dan Filipina pada tahun 1998 sampai tahun 2014. Sedangkan
pemilihan
negara Singapura bertujuan untuk melihat FDI pada negara maju di
ASEAN.
Gambar 1.1 Foreign Direct Investment (net Inflow, % of GDP) (Data
diolah)
Penelitian ini melibatkan tiga persamaan. Penelitian yang
melibatkan
banyak persamaan dapat kemungkinan adanya galat antar model
tersebut saling
berkorelasi dan dikenal sebagai korelasi kesebayaan antar galat
model. Karena
adanya korelasi kesebayaan maka digunakan pendekatan metode SUR
dengan
estimasi GLS. Pada tahun 1962, Zellner memperkenalkan metode
untuk
mengestimasi parameter tersebut yang dikenal dengan metode SUR.
SUR
merupakan salah satu metode yang ada di kajian ekonometrika.
Menurut Gujarati
(2006), Ekonometrika merupakan hasil dari suatu tinjauan tertentu
tentang peran
0.000
0.005
0.010
0.015
0.020
0.025
0.030
2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
Indonesia Malaysia Philippines Singapore Vietnam
4
ilmu ekonomi, mencakup aplikasi statistik matematik atas data
ekonomi guna
memberikan dukungan empiris terhadap model yang disusun
berdasarkan
metematika ekonomi serta memperoleh hasil berupa angka-angka.
Dengan kata lain
ekonometrika dapat diartikan sebagai gabungan antara teori ekonomi,
matematika
ekonomi dan statistik ekonomi. Salah satu yang dipelajari dalam
ekonometri adalah
analisis regresi. Gujarati (2006) menyatakan analisis regresi
adalah studi tentang
hubungan antara satu variabel yang disebut variabel dependen dan
satu atau lebih
variabel independen. Regresi banyak diaplikasikan dalam berbagai
permasalahan
yang bertujuan untuk melihat hubungan antara variabel independen
dan variabel
dependen, serta melihat kontribusinya dalam memprediksi nilai
variabel dependen
dengan variabel independen yang diketahui.
Analisis regresi terdiri dari berbagai macam analisis regresi, baik
regresi
linear maupun non linear. Dalam analisis regresi linear diasumsikan
bahwa galat
dari model tersebut memiliki nilai rata-rata nol dan varian yang
saling bebas, maka
digunakan metode estimasi OLS. Pada umumnya penelitian hanya
menggunakan
satu persamaan regresi sebagai suatu persamaan untuk diestimasi.
Namun seiring
dengan semakin kompleknya kasus yang ada, dewasa ini semakin
dituntut untuk
melihat pada cakupan yang lebih luas, yaitu untuk memandang dua
atau lebih
persamaan regresi sebagai suatu sistem persamaan untuk diestimasi.
Persamaan
regresi yang tergabung menjadi satu sistem sering kali berhubungan
satu sama lain.
Oleh karena itu, asumsi regresi pada keadaan ini jelas tidak akan
terpenuhi,
sehingga hasil estimasi dengan metode OLS tidak dapat digunakan
ketika yang
diharapkan adalah suatu estimator yang tidak bias, linear dan
memiliki varian
minimum. Kondisi tersebut dapat di atasi dengan memanfaatkan metode
SUR yang
merupakan sistem persamaan regresi yang saling berhubungan.
Menurut Agus Budhi Santosa, dkk (2013), SUR adalah model
ekonometrika
yang banyak digunakan dalam menyelesaikan beberapa persamaan
regresi dimana
masing-masing persamaan memiliki parameter sendiri dan nampak bahwa
tiap
persamaan tidak berhubungan. Namun demikian, antar
persamaan-persamaan
tersebut terjadi kaitan satu sama lainnya yaitu dengan adanya
korelasi antar galat
5
dalam persamaan yang berbeda. Selain Zellner, beberapa peneliti
lain juga
mengembangkan metode SUR, salah satu diantaranya adalah Greene yang
pada
tahun 2000 melakukan pengembangan SUR dengan metode GLS. Metode
GLS
digunakan pada SUR dikarenakan adanya korelasi kesebayaan antar
galat. Metode
SUR merupakan pengembangan dari metode OLS yang digunakan untuk
model
multivariat. Estimasi parameter pada model SUR memiliki beberapa
kelebihan
antara lain lebih efisien karena estimasi parameter dilakukan
secara serempak dan
melibatkan korelasi kesebayaan. Korelasi kesebayaan terjadi apabila
pada unit
waktu yang sama, galat pada persamaan yang berbeda berkorelasi. Hal
ini
merupakan penyebab koefisien yang seharusnya signifikan tidak dapat
ditangkap
oleh estimasi metode OLS pada regresi linear klasik.
1.2 Rumusan Masalah
Berdasarkan uraian latar belakang, rumusan masalah yang akan dikaji
dalam
penelitian ini yaitu bagaimana hasil analisis model SUR dengan
metode feasible
GLS pada data FDI di negara Indonesia, Singapura dan
Filipina?
1.3 Batasan Masalah
penyimpangan dari tujuan semula dan pemecahan masalah lebih
terfokus, maka
pembahasan dalam skripsi ini akan difokuskan pada penggunaan metode
feasible
GLS dalam model SUR. Studi kasus yang digunakan dalam skripsi ini
yaitu data
yang berkaitan dengan FDI dari tiga negara di Asia Tenggara, yaitu
Indonesia,
Singapura dan Filipina. Kemudian dari data tersebut dilakukan
analisis feasible
GLS pada model SUR menggunakan program Microsoft Excel 2013, IBM
SPSS
22, dan R versi 3.4.2 untuk memudahkan dalam perhitungan.
1.4 Tujuan Penelitian
Tujuan yang akan dicapai dalam penelitian adalah untuk
mengetahui
variabel apa saja yang berpengaruh pada FDI negara Indonesia,
Singapura dan
Filipina setelah dilakukan analisis feasible GLS pada model
SUR.
6
Adapun manfaat yang diharapkan pada penelitian ini adalah sebagai
berikut:
1. Mengetahui bentuk model SUR dengan metode feasible GLS. Dari
model
yang diperoleh dapat digunakan untuk melihat pengaruh dari
variabel
independen terhadap variabel dependen yang dapat diterapkan
dalam
berbagai studi kasus yang berkaitan.
2. Memberikan pengetahuan yang dapat membuka peluang
diadakannya
penelitian estimasi parameter model SUR dengan pengembangan
berbagai
metode analisis yang lain.
beberapa penelitian terdahulu yang dapat digunakan oleh peneliti
sebagai dasar
penelitian dan bahan kajian penelitian yang dilakukan.
Pada penelitian yang dilakukan oleh Paulus Basuki KS (2006)
mengenai
pemodelan angka produksi kedelai, angka impor dan konsumsi kedelai
melalui
metode pendekatan SUR. Penggunaan motode SUR ini dilatarbelakangi
oleh
adanya model-model yang terlihat tidak saling berhubungan melainkan
saling
berhubungan. Pengaruh harga kedelai pada setiap model mengakibatkan
galat antar
model saling berkorelasi atau yang bisa dikenal dengan adanya
korelasi kesebayaan
antar galat model. Model produksi dengan metode SUR menghasilkan
nilai ramalan
yang mendekati nilai produksi kedelai yang sebenarnya.
Penelitian untuk mengenali karakteristik ketahanan pangan di
Indonesia dan
mencari faktor-faktor yang mempengaruhi derajat ketahanan pangan
rumah tangga
dilakukan oleh Muh. Samad dan Setiawan pada tahun 2011 dengan
menggunakan
metode SUR. Pendekatan SUR digunakan untuk melihat keterkaitan
tingkatan
ketahanan pangan rumah tangga dengan faktor-faktor yang
mempengaruhi
ketahanan pangan. Metode SUR ini digunakan karena keempat variabel
respon
tersebut berkaitan atau terjadi korelasi kesebayaan. Secara
keseluruhan model yang
diperoleh dari hasil analisis menyatakan bahwa variabel ketahanan
pangan
mempengaruhi derajat ketahanan pangan rumah tangga di
Indonesia.
Andi Adiyudawansyah dan Dwi Budi (2012) dengan jurnalnya yang
bertujuan untuk mengetahui faktor-faktor yang mempengaruhi FDI
dengan
menggunakan indikator resiko ekonomi dan harapan keuntungan di lima
negara
ASEAN (Indonesia, Malaysia, Singapura, Thailand, dan Filipina) pada
tahun 2003
sampai dengan 2011. Penelitian tersebut menggunakan metode data
panel dengan
model Fixed effect model. Variabel yang digunakan yaitu variabel
deviasi PDB,
8
corruption preception index, suku bunga dan pendapatan perkapita.
Dari hasil
estimasi dan uji statistik dinyatakan bahwa faktor ekonomi berupa
suku bunga akan
mengurangi FDI, namun variabel corruption preception index dan
pendapatan per
kapita hasilnya tidak signifikan. Sebaliknya, faktor harapan
keuntungan berupa
variabel deviasi PDB berpengaruh positif dan signifikan terhadap
FDI.
Kemudian pada tahun 2014, Ade Widyaningsih, dkk menerapkan
model
SUR pada data mikro permintaan bensin dunia dari beberapa negara
yang tergabung
dalam Organisation for Economic Co-operation and Development
(OECD).
Variabel dependen yang digunakan yaitu logaritma konsumsi bensin
per mobil,
sedangkan variabel independennya adalah logaritna rata-rata
pendapatan, harga
bensin dan rata-rata jumlah mobil. Metode analisis yang digunakan
yaitu analisis
model regesi dengan OLS dan model SUR metode GLS. Dari penelitian
tersebut
dinyatakan bahwa model SUR metode GLS akan menghasilkan galat yang
lebih
kecil daripada penggunaan model regresi OLS.
Salain itu, pada tahun yang sama Asri Febriana dan Masyhudi
Moqorobbin
melakukan penelitian yang berkaitan dengan investasi asing langsung
pada tahun
2014. Penelitian ini bertujuan untuk melihat bagaimana pengaruh
hubungan
pertumbuhan ekonomi, kurs dan ekspor terhadap FDI di Indonesia
menggunakan
model ekonometrika metode Error Correction Model (ECM). Dari
penelitian
tersebut didapatkan hasil bahwa PDB berpengaruh positif dan
signifikan terhadap
FDI, nilai tukar rupiah terhadap dollar AS (KURS) dan ekspor jangka
pendek
berpengaruh positif dan signifikan terhadap FDI.
Analisis yang berkaitan dengan evaluasi pertumbuhan gender di
Jawa
Tengah dilihat dari pertumbuhan ekonomi, angka harapan hidup, angka
melek
huruf, rata-rata lama sekolah, dan sumbangan pendapatan dengan
pertimbangan
gender dilakukan Moh. Yamin dan Devi Sumayya pada tahun 2016.
SUR
digunakan sebagai metode analisis untuk mengatasi permasalahan
tersebut. Karena
dalam kasus tertentu dalam persamaan terjadi korelasi serial pada
beberapa galat
persamaan, sehingga tidak dapat dilakukan dengan estimasi OLS oleh
karena itu
model SUR akan lebih tepat untuk mengatasi permasalahan tersebut.
Dari
9
penelitian Moh. Yamin dan Devi Sumayya disimpulkan bahwa variabel
yang
berpengaruh signifikan antara lain angka harapan hidup, angka melek
huruf, dan
sumbangan pendapatan untuk masing-masing gender laki-laki dan
perempuan.
Penelitian oleh Maya Malisa dan Fakhruddin (2017) pada data
investasi
langsung di Indonesia ini diakukan untuk melihat pengaruh PDB, suku
bunga dan
nilai tukar terhadap FDI di Indonesia. Model regresi linear
berganda dengan metode
OLS digunakan untuk menyelesaikan permasalahan tersebut. Dari
penelitian Maya
dan Fakhruddin dinyatakan bahwa PDB dan suku bunga berpengaruh
positif
signifikan terhadap FDI, sedangkan nilai tukar berpengaruh negatif
signifikan
terhadap investasi langsung. Oleh karena itu, pemerintah perlu
menjaga kestabilan
pertumbuhan ekonomi untuk mendorong peningkatan investasi asing di
Indonesia.
Selajutnya pada tahun yang sama, Tri Hanifawati, dkk pada tahun
2017
menggunakan analisis SUR untuk mengetahui pengaruh karakteristik
konsumen
terhadap persepsi kebutuhan, pencarian informasi, pemilihan
alternatif, dan
perilaku setelah pembelian. Model SUR dipilih karena ada empat
persamaan yang
memungkinkan terjadi kesamaan pengaruh faktor lain di luar model
yang
menghasilkan efek korelasi residual. Oleh karena itu, untuk
mengatasi pengaruh
korelasi tersebut, estimasi dilakukan secara bersamaan dengan
metode SUR yang
diperkenalkan oleh Zellner. Dari penelitian ini disimpulkan bahwa
atribut kemasan
berpengaruh terhadap pembelian dan karakteristik konsumen secara
simultan
berpengaruh terhadap persepsi, pemilihan alternatif, dan perilaku
setelah pembelian
10
pengeluaran-pengeluaran untuk membeli barang-barang dan peralatan
produksi
dengan tujuan untuk mengganti terutama manambah barang-barang modal
dalam
perekonomian yang akan digunakan untuk memproduksi barang dan jasa
di masa
depan. Investasi pada dasarnya memiliki arti yang lebih luas,
karena investasi
mencakup investasi langsung (direct investment) maupun investasi
tidak langsung
(portofolio investment), sedangkan kata penanaman modal lebih
mempunyai
konotasi kepada investasi langsung. Menurut Andi Adiyudawansyah
(2012),
investasi adalah pengeluaran yang dilakukan oleh para penanam modal
yang
menyangkut penggunaan sumber-sumber seperti peralatan, gedung,
peralatan
produksi, mesin-mesin baru lainnya atau persediaan yang diharapkan
akan
memberikan keuntungan dari investasi yang dilakukan.
Di Indonesia, topik investasi sudah diatur dalam Pernyataan
Standar
Akuntansi Keuangan (PSAK No. 13) dimana investasi adalah suatu
aktiva yang
digunakan perusahaan untuk menumbuhkan kekayaan melalui distribusi
hasil
investasi (seperti bunga, royalti, deviden, dan uang sewa), untuk
apresiasi nilai
investasi atau untuk manfaat lain bagi perusahaan yang berinvestasi
seperti manfaat
yang diperoleh melalui hubungan perdagangan. Dalam hubungannya
dengan
pengelolaan, investasi dapat dibagi menjadi dua yaitu investasi
langsung (direct
investment) dan investasi tidak langsung (indirect investment).
Investasi langsung
adalah penanaman modal secara langsung dalam bentuk pendirian
perusahaan yang
pada awalnya dikelola sendiri oleh penanam modal, keuntungan dan
kerugian
ditanggung sendiri dan biasanya memerlukan waktu jangka panjang,
pengembalian
modal dalam waktu terbatas. Sedangkan investasi tidak langsung
yaitu penanaman
modal pada perusahaan lain yang sudah berdiri dengan cara
pengembalian saham
11
perusahaan dalam bentuk dividen (Mudjiyono, 2012). Investasi
portofolio
dilakukan melalui pasar modal dengan instrumen surat berharga
seperti saham dan
obligasi. Dalam investasi portofolio, dana yang masuk ke suatu
perusahaan yang
menerbitkan surat berharga (emiten) belum tentu membuka lapangan
kerja baru.
Meskipun ada emiten yang telah mendapat dana dari pasar modal
untuk
memperluas usahanya. Sebaliknya, tidak sedikit pula dana yang masuk
ke emiten
hanya untuk memperkuat struktur modal atau mungkin malah untuk
membayar
utang bank. Selain itu, dalam proses ini tidak terjadi transfer
teknologi atau alih
keterampilan manajemen (Andi Adiyudawansyah, 2011).
Menurut Mudjiyono (2012), jika dilihat dari segi waktu (lamanya)
investasi
dapat dibedakan kedalam dua golongan, yaitu investasi jangka
panjang dan
investasi jangka pendek. Investasi jangka pendek adalah investasi
yang dapat segera
dicairkan dan dimaksudkan untuk dimiliki selama setahun atau kurang
dengan
tujuan memberdayakan kas agar mendapatkan keuntungan dari penjualan
surat
berharga dikemudian hari jika harga surat berharga yang dimiliki
kursnya lebih
tinggi dari pada kurs beli dan agar tidak terjadi kas menganggur
(idle cash). Sedang
investasi jangka panjang adalah investasi selain investasi lancar
yang
kepemilikannya lebih dari periode akuntansi dan biasanya dimiliki
lebih dari 5
tahun. Perusahaan melakukan investasi dengan alasan yang
berbeda-beda.
3.2 Foreign Direct Investment (FDI)
Andi Adiyudawansyah (2011) menyatakan bahwa FDI merupakan
dana-
dana investasi yang langsung digunakan untuk mengerakan kegiatan
bisnis, atau
pengadaan alat-alat atau fasilitas produksi seperti pembelian
lahan, membuka
pabrik-pabrik, pengadaan mesin-mesin, membeli bahan baku, dan lain
sebagainya.
FDI memiliki hubungan yang erat dengan perusahaan-perusahaan
multinasional.
Pada dasarnya perusahaan multinasional adalah sebuah perusahaan
raksasa yang
menjalankan, memiliki serta mengendalikan operasi bisnis atau
kegiatan-kegiatan
usaha yang meliputi lebih dari satu negara. Menurut Undang-Undang
No. 25 Tahun
2007 yang berkiatan dengan penanaman modal, investasi terdiri dari
investasi
12
dalam negeri (domestic investment) dan dari pihak asing (FDI) yang
lebih dikenal
dengan PMDN serta PMA. FDI adalah kegiatan penanaman modal
untuk
melakukan usaha di wilayah Republik Indonesia yang dilakukan oleh
penanam
modal asing sepernuhnya maupun yang berpatungan dengan penanam
modal dalam
negeri. Pada dasarnya pemasukan modal asing sangat diperlukan oleh
suatu negara
untuk mempercepat pembangunan ekonomi. Karena adanya modal asing
akan
membantu dalam industrialisasi, dalam membangun modal overhead
ekonomi dan
dalam menciptakan kesempatan kerja yang lebih luas. Investasi asing
dapat
dimanfaatkan untuk meningkatkan pembangunan, meskipun sejumlah
keuntungan
dari investasi ini kembali pada investor asing. Namun investasi ini
tetap akan
menaikan persedianan barang modal yang kemudian dapat menaikan
produktivitas
dan upah tenaga kerja.
Analisis neoklasik tradisional menyebutkan bahwa FDI merupakan
seesuatu
yang sangat positif bagi suatu negara tujuan, karena adanya FDI
dapat mengisi
kekurangan tabungan yang dapat dihimpun dari dalam negeri, menambah
cadangan
devisa, memperbesar penerimaan pemerintah, dan dapat dimanfaatkan
sebagai
media pengembangan keahlian manajerial bagi perekonomian negara
penerimanya.
Manfaat-manfaat dari FDI tersebut sangat penting, karena dari
semuanya menjadi
faktor-faktor kunci yang dibutuhkan untuk mencapai target
pembangunan. Dalam
hal pembangunan, FDI disebut-sebut sebagai sumbangan positif,
karena perannya
dalam mengisi kekosongan atau kekurangan sumber daya antara tingkat
investasi
yang ditargetkan dengan sejumlah aktual tabungan domestik yang
dapat
dimobilisasikan (Andi Adiyudawansyah, 2011).
Selain dalam segi pembangunan, sumbangan positif dari FDI terletak
pada
peranannya dalam mengisi kesenjangan antara target jumlah devisa
yang
dibutuhkan dan hasil-hasil aktual devisa dari ekspor ditambah
dengan bantuan luar
negeri netto. Kemudian FDI juga memiliki peran untuk mengisi
kesenjangan antara
target penerimaan pajak pemerintah dan jumlah pajak aktual yang
dapat
dikumpulkan. Dengan membebankan pajak atas keuntungan yang
diperoleh
perusahaan multinasional dan ikut serta secara finansial dalam
kegiatan-kegiatan
13
mereka di dalam negeri, pemerintahan negara tujuan, FDI pada
akhirnya akan dapat
memobilisasi sumber-sumber finansial dalam rangka membiayai
proyek-proyek
pembangunan secara lebih baik. Sumbangan prositif dari FDI yang
tidak kalah
penting adalah peranannya dalam mengisi kesenjangan bidang
manajeman,
semangat kewirausahaan, teknologi produksi, dan keterampilan kerja
yang menurut
pemikiran neoklasik akan diisi sebagian maupun keseluruhannya oleh
perusahaan-
perusahaan swasta asing yang beroperasi dinegara-negara penerima
FDI. Proses
transfer pengetahuan dan teknologi tersebut akan sangat bermanfaat
secara
produktif bagi negara-negara penerima FDI (Andi Adiyudawansyah,
2011).
3.3 Produk Domestik Bruto (PDB)
PDB merupakan hasil representasi dari pendapatan nasional
yang
mencerminkan total pendapatan yang diterima oleh semua penduduk
dalam
perekonomian suatu negara. Menurut Dodi Arif (2014), PDB merupakan
jumlah
produk barang dan jasa yang dihasilkan oleh unit-unit produksi
didalam batas
wilayah suatu negara selama satu tahun. Dengan kata lain, PDB dapat
diartikan
sebagai keseluruhan nilai pasar semua jasa yang dihasilkan oleh
suatu negara atau
masyarakat selama kurun waktu tertentu, misalnya satu tahun. Dalam
konsepnya
PDB akan menghitung hasil produksi barang dan jasa yang dihasilkan
oleh
perusahaan/orang asing yang beroperasi diwilayah negara yang
bersangkutan. Nilai
PDB dapat dihitung menggunakan rumus berikut:
= + + + ( −) [3.1]
dimana menyatakan pengeluaran rumah tangga, menyatakan
pengeluaran
pemerintah, sebagai pengeluaran investasi, dan − merupakan selisih
antara
nilai ekspor dan impor.
dianggap bersifat bruto atau kotor. PDB banyak digunakan untuk
mengukur
pertumbuhan ekonomi yang dilakukan oleh hampir semua negara
didunia, termasuk
negara-negara di Asia Tenggara. Di Indonesia sendiri, PDB merupakan
nilai
14
tambah yang dihitung berdasarkan seluruh aktivitas ekonomi tanpa
membedakan
asal pemiliknya, apakah berasal dari Indonesia maupun dari negara
lain, sejauh
proses produksinya dilakukan di Indonesia. PDB dapat digunakan
untuk beberapa
kegiatan perekonomian, diantaranya yaitu untuk konsumsi rumah
tangga,
pengeluaran pemerintah, pembentukan modal tetap sektor
swasta.
3.4 Suku Bunga
Dodi Arif (2014) menyatakan bahwa suku bunga adalah kompensasi
yang
dibayar peminjam dana kepada yang meminjamkan. Bagi peminjam, suku
bunga
merupakan biaya pinjaman atau harga yang dibayar atas uang yang
dipinjam, yang
merupakan tingkat pertukaran dari konsumsi sekarang untuk konsumsi
masa
mendatang, atau harga rupiah sekarang atas rupiah masa mendatang.
Biasanya
diekspresikan sebagai persentase per tahun yang dibebankan atas
uang yang
dipinjam atau dipinjamkan. Menurut Andi Adiyudawansyah (2011), suku
bunga
memiliki beberapa fungsi diantaranya adalah sebagai berikut:
1. Sebagai daya tarik bagi para penabung baik individu, institusi
atau lembaga
yang mempunyai dana lebih untuk menginvestasikan dananya.
Dana
berlebihan yang ada di tangan masyarakat tersebut pada gilirannya
akan
mempengaruhi pertumbuhan suatu perekonomian.
2. Dapat digunakan sebagai alat kontrol bagi pemerintah terhadap
dana
langsung atau investasi pada sektor-sektor ekonomi. Dalam hal
pemerintah
memberikan dukungan pada suatu sektor ekonomi, pemerintah
dapat
membuat suatu kebijakan tingkat bunga yang lebih rendah untuk
sektor
ekonomi tersebut.
perekonomian.
mengontrol tingkat inflasi. Ini berarti bahwa pemerintah dapat
mengatur
sirkulasi uang dalam suatu perekonomian.
15
Suku bunga dibedakan menjadi dua, yaitu suku bunga nominal dan
suku
bunga riil. Suku bunga nominal merupakan rasio antara jumlah uang
yang
dibayarkan kembali dengan jumlah uang yang dipinjam, sedangkan suku
bunga riil
adalah rasio daya beli dari uang yang dibayarkan terhadap daya beli
jumlah uang
yang dipinjam, atau selisih antara suku bunga nominal dengan
tingkat inflasi pada
periode bersangkutan. Bagi para penanam modal, yang menjadi acuan
untuk
melakukan suatu investasi adalah suku bunga riil. Suku bunga riil
berperan sebagai
determinan pada cost of capital (biaya modal). Tingginya tingkat
suku bunga riil
akan menyebabkan biaya modal yang tinggi sehingga membuat tingkat
investasi
menurun. Menurut Tri Hendro (2013) dalam menentukan tingkat suku
bunga,
kreditur memperhitungkan dana yang harus dikeluarkan berupa bunga
tabungan
atau deposito serta faktor kemungkinan bahwa debitur tidak membayar
kreditnya
tepat waktu sesuai perjanjian atau bahkan tidak membayar sama
sekali. Selain itu,
kreditur juga mempertimbangkan biaya-biaya yang harus
diperhitungkan berupa
kerugian akibat penurunan nilai yang terjadi selama uang
dipinjamkan. Dengan
demikian, tingkat bunga yang berlaku adalah tingkat bunga yang
disepakati oleh
debitur dan kreditur yang merupakan penjumlahan dari unsur tingkat
bunga dana,
premi risiko dan penurunan nilai uang.
3.5 Konsep Ekspor Impor
Rahman Hakim (2012) mengemukakan bahwa ekspor adalah proses
transportasi barang (komoditas) dan jasa dari suatu negara ke
negara lain secara
legal, umumnya dalam proses perdagangan. Ekspor barang secara besar
umumnya
membutuhkan campur tangan dari bea cukai dinegara pengirim maupun
penerima.
Ekspor merupakan bagian penting dari perdagangan internasional.
Ekspor dapat
diartikan sebagai total penjualan barang yang dapat dihasilkan oleh
suatu negara,
kemudian diperdagangkan kepada negara lain dengan tujuan
mendapatkan devisa.
Suatu negara dapat mengekspor barang-barang yang dihasilkan ke
negara lain yang
tidak dapat menghasilkan barang-barang yang dihasilkan negara
pengekspor.
Impor merupakan pembelian dan pemasukan barang dari luar
kedalam
negeri, atau dapat dikatakan sebagai kegiatan ekonomi membeli
produk luar negeri
16
untuk keperluan atau dipasarkan didalam negeri. Kecenderungan
kegiatan impor
yang besar tidak sepenuhnya buruk bagi sebuah negara karena impor
juga akan
merangsang kegiatan investasi, apabila barang yang diimpor
merupakan barang
modal, barang mentah, barang setengah jadi untuk keperluan
perindustrian.
Pengembangan industri substitusi impor didalam negeri harus sejalan
dengan
penggalakan ekspor (Miranti Sedyanigrum, 2016).
3.6 Analisis Regresi Linier
Regresi adalah hubungan antara suatu variabel dependen dengan satu
atau
lebih variabel independen. Analisis regresi sering digunakan
sebagai alat ketika
ingin menggambarkan hubungan fungsional antara variabel independen
(prediktor)
terhadap variabel dependen dengan cara membangun model. Menurut
Draper &
Smith (1992) menyatakan bahwa analisis regresi merupakan metode
analisis yang
dapat digunakan untuk menganalisis data dan mengambil kesimpulan
yang
bermakna tentang hubungan ketergantungan variabel terhadap variabel
lainnya.
Menurut RK. Sembiring (2003), model regresi umum yang mengandung k
variabel
independen dituliskan sebagai berikut:
Jika pengamatan mengenai , 1, 2, ... , dinyatakan masing-masing ,
1,
2, ... , dan dengan residual (), maka persamaan [3.2] menjadi
= 0 + 11 + 22 ++ + [3.3]
untuk k = 1, 2, ... , k dan i = 1, 2, ... , n. 0 menyatakan
intersep. 1… menyatakan
koefisien regresi parsial. e menyatakan komponen penggangu.
Sedangkan k
merupakan banyaknya variabel independen yang dimasukan dalam
model,
sedangkan n adalah banyak pengamatan.
Menurut Sudrajat (1984) dari model [3.3] di atas, maka secara
keseluruhan
menurut cara-cara skalar dapat diurai menjadi :
1 = 0 + 111 + 221 ++ 1 + 1
2 = 0 + 112 + 222 ++ 2 + 2
17
(
×1 = × . ×1 + ×1 [3.5]
atau secara lebih singkat dapat dituliskan
= + [3.6]
Asumsi yang diambil dalam model ini adalah 1, 2, ... , tidak
mempunyai distibusi dan merupakan non-stokastik. Sedangkan
distribusi
merupakan residual random berdistribusi (0, 2). Oleh karena itu,
memiliki
distribusi yang sesuai dengan .
3.7 Prinsip Metode OLS
Dalam model regresi terdapat parameter-parameter yaitu 0, 1, 2,
..., .
Parameter tersebut tidak diketahui, oleh karena itu perlu dilakukan
estimasi untuk
mendapatkan jumlah kuadrat residual yang minimum. Jumlah kuadrat
residual
disebut juga dengan jumlah kuadrat galat terhadap garis regresi
(JKG). Prinsipnya
OLS digunakan untuk estimasi parameter yaitu dengan meminimumkan
JKG.
Regresi populasi dinyatakan sebagai
= + [3.7]
dimana adalah nilai hasil estimasi. Selanjutnya dari persamaan
[3.7] dapat
dinyatakan sebagai
18
yang menunjukan bahwa (residual) hanyalah perbedaan antara nilai
Y
sebenarnya dengan nilai yang ditaksir. Selanjutnya jika mempunyai N
pengamatan
pada data X dan Y, dan akan mengestimasi koefisien regresi SRF
sedemikian rupa
sehingga sedekat mungkin nilai Y yang sebenar-benarnya, maka
haruslah
sekecil-kecilnya. Namun demikian dari asumsi diketahui, bahwa ∑ = 0
yang
berarti pula = 0, maka nilai ini tidak ada artinya. Untuk
menentukan nilai , dapat
dinotasikan sebagai berikut:
[3.9]
Model [3.9] ini biasanya disebut sebagai galat baku (standard
error). Dalam
OLS harus meminimalkan nilai ∑ 2, maka diperoleh
= ∑ 2
=1 [3.10]
Tujuan estimasi regresi adalah menentukan nilai 0 dan 1 yang
mendekati
nilai sebenarnya (parameter populasi). Dengan demikian simpangan
dari 0 dan 1
ini haruslah sekecil-kecilnya. Nilai ∑ 2 minimum ini akan diperoleh
apabila
derivasi (turunan) pertama terhadap 0 hingga akan sama dengan nol.
Maka :
∑ 2
normal berikut:
Persamaan [3.13] disebut persamaan normal. Dengan pengolahan
selanjutnya dari persamaan normal ini akan diperoleh nilai duga 0,
1, 2 hingga
. Jika dalam persamaan regresi linier berganda terdiri dari dua
variabel
independen, maka nilai 0, 1, dan 2 dapat dihitung dengan rumus
berikut :
0 = ∑ − 1∑ 1
=1
=1
2 )
[3.15]
[3.16]
persamaan [3.10] akan menjadi
dengan
= (
1 1 2
dari (′). Sehingga estimasi kuadrat terkecil dari β adalah
(′)−1′ = (′)−1′
= (′)−1′ [3.18]
Estimasi nilai dapat diterapkan dengan baik pada analisis regresi,
baik
regresi sederhana maupun regresi berganda. Akan tetapi biasanya
penggunaan
matriks lebih sering digunakan untuk regresi linier berganda.
Contoh kasus perhitungan analisis regresi berganda dengan
variabel
dependen Y dan variabel independen X1 dan X2 yang disajikan pada
Tabel 3.1 yang
berupa data ilustrasi seperti berikut :
Tabel 3.1 Data Ilustrasi
Sumber : RK. Sembiring (2003)
Jika X’X tidak singuler persamaan [3.17] mempunyai nilai-nilai
berikut:
21
=
(
=
(
1 0.4 0.16 1 0.6 0.36 1 0.8 0.64 1 4.2 17.64)
Sehingga
)
1 1
Selanjutnya diperoleh
)
= (′)−1′ = (
Menurut Sembiring (2003), untuk menentukan apakah pengaruh
suatu
variabel independen X besar atau kecil terhadap variabel dependen Y
maka
digunakan tabel analisis variansi seperti berikut :
Tabel 3.2 Tabel Analisis Variansi
Sumber
Regresi =∑( − ) 2 − 1 =
22
Dengan menggunakan data Tabel 3.1 maka dapat disajikan analisi
variansi
seperti yang terlihat pada Tabel 3.3 berikut :
Tabel 3.3 Tabel Analisis Variansi Contoh Kasus
Sumber
Variansi
Jumlah
Sisa 0.0246 17 0.0014
Untuk menghasilkan model regresi yang diperoleh dari OLS, maka
model
tersebut harus menghasilkan estimator linier yang tidak bias yang
terbaik (BLUE).
Oleh karena itu, persamaan-persamaan regresi OLS harus memenuhi
beberapa
asumsi yang dikenal dengan asumsi klasik (Sudrajat, 1984).
3.8.1 Asumsi Normalitas
untuk menguji apakah dalam model regresi variabel penggangu atau
residual
memiliki distribusi normal. Pada regresi linier diasumsikan bahwa
setiap
didistribusikan secara random dengan ~(0, 2). Jika dalam persamaan
regresi,
asumsi normalitas residualnya dilanggar, maka akan menyebabkan
nilai residual
yang besar. Untuk menguji asumsi normalitas dapat dilakukan dengan
banyak cara,
diantaranya yaitu dengan uji Jarque Bera, uji QQ-Plot, Shapioro
Wilk, Kolmogorov
Smirnov, dan lain sebagainya.
Menurut asumsi normalitas nilai harapan yang timbul karena
variansi
nilai yang diketahui harus sama dengan nol. Ini hanya mungkin jika
dalam
kelompok menyebar normal dan sifatnya random, yang memungkinkan
jumlah
simpangan positif dan negatif dari nilai tengah sama
besarnya.
(|) = 0 [3.19]
3.8.1.1 Uji Jarque Berra
Uji Jarque Bera adalah salah satu metode untuk menguji kenormalan
data.
Mardia (1970) dalam Adi Setiawan (2016) menyatakan uji Jarque Bera
sebagai
=
6 (2 +
( − 3)2
4 ) [3.20]
3/2 [3.21]
2 [3.22]
Nilai x menyatakan data yang diuji kenormalan, n menyatakan
ukuran
sampel, menyatakan skwennes, dan adalah kurtosis. Pengujian
menggunakan
statistik Jarque Bera menggunakan hipotesis berikut :
H0 : sampel berdistribusi normal
Uji Jarque-Bera mempunyai distribusi chi-kuadrat dengan derajat
bebas dua
( 2 (,2)
). Jika hasil uji Jarque Bera lebih besar dari distribusi
chi-kuadrat maka H0
ditolak, yang berarti bahwa sampel tidak berdistribusi normal dan
jika sebaliknya
maka berarti sampel berdistribusi normal.
Misalkan terdapat 30 data rata-rata investasi modal yang ditanamkan
dalam
perusahaan ternama di Indonesia sebagai berikut (dalam juta US$)
:
Tabel 3.4 Tabel Data Ilustrasi Investasi di Perusahaan
56 58 60 64 54 52 50 40 57 53
65 50 53 52 66 45 55 54 65 56
55 57 48 63 51 55 44 58 54 60
24
Dari data Tabel 3.4 akan diuji apakah data tersebut berdistribusi
normal atau
tidak dengan menggunakan uji Jarque Bera. Dari hasil uji Jarque
Bera didapatkan
= 1
1
1
1
maka diperoleh nilai
3/2 =
−51.4
2
4203.8
=
6 (2 +
( − 3)2
Dari pengujian tersebut diperoleh keputusan gagal tolak H0. Dengan
nilai
2 (,2)
= 5.99 lebih besar dari nilai Jarque Bera. Maka dapat disimpulkan
bahwa
data berdistribusi normal.
3.8.1.2 Uji QQ-Plot
sebuah metode grafik untuk membandingkan dua distribusi
probabilitas dengan
membuat plot quantiles antar distribusi terhadap satu sama lain.
Pertama, set
interval untuk quantiles dipilih. Sebuah titik (x, y) pada plot
sesuai dengan salah
25
satu quantiles dari distribusi kedua (y koordinat) diplot terhadap
kuantil yang sama
dari distribusi pertama (x-koordinat). Jika dua distribusi yang
dibandingkan adalah
sama, titik-titik dalam QQ-Plot sekitar akan berbaring di atas
garis y = x. Jika
distribusi yang berhubungan linier, titik-titik dalam QQ-Plot
sekitar akan berbaring
di atas garis, tetapi tidak harus pada garis y = x
3.8.2 Uji Multikolinearitas
sempurna antara semua atau beberapa variabel independen dalam model
regresi
yang dikemukakan. Gejala multikolinearitas hanya ditentukan oleh
hubungan
sempurna atau hampir sempurna antara variabel independen X dalam
bentuk linier
saja, jadi jika sekiranya terdapat hubungan fungsional selain
linier, misalnya
kuadratik atau kubik. Persamaan regresi yang mengandung
multikolinearitas akan
mengakibatkan standar error estimasi akan meningkat dengan
bertambahnya
variabel dependen sehingga model regresi yang diperoleh menjadi
tidak valid untuk
mengestimasi nilai variabel independen.
Asumsi multikolinieritas menyatakan, bahwa antara komponen
penggangu
dengan variabel independen tidak terjadi korelasi. Asumsi ini
sekaligus
memenuhi asumsi, bahwa variabel independen harus non random.
Jika
berkorelasi dengan , maka pengaruh X terhadap Y tidak dapat
ditentukan. Jadi
jika X meningkat maka e juga turut meningkat, begitu juga
sebaliknya. Jika korelasi
ini terjadi, maka sulit untuk mengetahui atau mengisolasi pengaruh
X terhadap Y,
karena pengaruhnya tertutup oleh pengaruh .
Gejala multikolinieritas salah satunya dapat dilihat dengan melihat
nilai
VIF. Nilai cutoff yang digunakan untuk menentukan adanya
multikolinieritas
adalah ketika VIF ≥ 10. Menurut Montgomery (1982) dalam Purnami
(2017)
perhitungan VIF dapat dilakukan menggunakan persamaan
berikut:
= 1
26
dengan = 1, 2, … , dan 2 adalah koefisien determinasi yang
dihasilkan dari
variabel independen dengan variabel independen lain ( ≠ ) dimana 2
=
1 2∑
2
∑ 2 . Untuk mengatasi multikolinearitas, salah satu cara yang dapat
dilakukan
yaitu mengeluarkan satu dari variabel yang berkolinier, melakukan
transformasi
variabel, dan menambahkan data baru dalam penelitian.
3.8.3 Uji Autokorelasi
observasi yang terletak berderetan secara series dalam bentuk waktu
(jika datanya
berupa time series). Sedangkan menurut Gujarati (2004) autokorelasi
dapat
didefinisikan sebagai korelasi antara anggota serangkaian observasi
yang diurutkan
menurut waktu dan ruang. Uji autokorelasi bertujuan untuk menguji
apakah dalam
model terjadi korelasi antara kesalahan penggangu pada periode ke t
dengan
penggangu pada periode sebelumnya (t-1). Model regresi linier yang
baik adalah
model yang tidak mengandung adanya masalah autokorelasi.
(, ) = [ − ()][ − ()]
= (, ) = 0 [3.26]
untuk i ≠ j. i dan j merupakan dua pengamatan yang berbeda. Dengan
kata lain
persamaan [3.26] menyatakan, bahwa antara komponen pengganggu ke-i
dan ke-j
tidak terjadi korelasi. Asumsi ini disebut sebagai persyaratan
tidak terjadinya
autocorrelation. Autokorelasi terjadi karena observasi yang
berurutan sepenjang
waktu berkaitan satu sama lainnya atau residual tidak bebas dari
satu obsevasi ke
obsevasi lainnya. Untuk menunjukan adanya gejala autocorrelation
dilakukan
denggan membuat diagram pencar antara dan dalam suatu salib sumbu.
Selain
itu, menurut Purnami (2017) salah satu metode untuk memeriksa
gejala
autokorelasi dapat dilakukan dengan uji Durbin-Watson yang
dirumuskan dengan
persamaan berikut:
[3.27]
27
dengan ukuran sampel dan banyaknya variabel, didapatkan nilai dL
dan nilai dU dari
tabel Durbin–Watson. Dengan hipotesis H0 tidak ada korelasi, maka
digunakan
kriteria berikut untuk melawan H0 :
- Jika < atau > 4 − maka akan menolak H0
- Jika < < 4 − maka akan gagal menolak H0
- Jika ≤ ≤ atau 4 − ≤ ≤ 4 − maka pengujian tidak dapat
disimpulkan ada atau tidaknya autokorelasi.
3.8.4 Uji Homoskedastisitas
terjadi kesamaan varians dari residual satu pengamatan ke
pengamatan lain.
(|) = [ − ()] 2
= ( 2) = 2 [3.28]
Menurut asumsi homoskedastisitas varians untuk setiap
kelompok
harus mempunyai nilai yang sama besarnya, yaitu sebesar 2. Namun
terkadang
asumsi ini tidak terpenuhi sehingga ( 2) ≠ 2. Dalam model regresi
yang baik
seharusnya tidak mengandung gejala heteroskedastisitas. Secara
geometrik dapat
digambarkan seperti pada gambar berikut (Gunawan S, 2003) :
Gambar 3.1 Gejala Homoskedastisitas
Gambar 3.2 Gejala Heteroskedastisitas
Gambar 3.1 menunjukan bahwa kurva yang dibentuk untuk setiap
nilai
adalah sama yang berarti menunjukan terpenuhinya asumsi
homoskedastisitas.
Sedangkan Gambar 3.2 kurva yang terbentuk untuk setiap nilai ,
ternyata
semakin membesar dan melebar, karena semakin melebarnya range
antara nilai Y
minimum dan Y maksimum. Gambar 3.2 ini menunjukan terjadinya
gejala
heteroskedastisitas (variansi berbeda). Salah satu uji untuk
mendeteksi adanya
28
gejala homoskedastisitas adalah melalui uji Glesjer. Uji ini
menggunakan nilai
absolut residual sebagai variabel dependen Y terhadap semua
variabel independen
X. Jika semua variabel independen signifikan secara statistik, maka
model terdapat
gejala heteroskedastisitas (Purnami, 2017).
3.9 Standar Error Estimasi
menjelaskan nilai variabel dependen yang sesungguhnya. Semakin
kecil nilai
standar error estimasi, maka semakin tinggi ketepatan persamaan
estimasi yang
dihasilkan untuk menjelaskan variabel dependen sesungguhnya.
Sebaliknya,
semakin besar nilai standar error, semakin rendah pula ketepatan
persamaan
estimasi nilai variabel dependen sesungguhnya (Dedi Suwarsito dan
Erna Zuni,
2014). Gujarati (2006) merumuskan standar error dalam persamaan
berikut:
(0) = [ 1
2 ∑2 2 − (∑12)2
(2) = √(2) [3.34]
dengan merupakan koefisien regresi dimana = 1, 2, … , , nilai
variabel
independen dimana = 1, 2, … , , 2 merupakan varians dari galat
.
Penaksir dari OLS jika varians tidak diketahui adalah
2 = ∑
Contoh kasus perhitungan standar error dari regresi berganda,
dengan data
Tabel 3.1 diperoleh perhitungan berikut:
Tabel 3.5 Data Ilustrasi Perhitungan Standar Error
Y X1 X2 1 2 2
2 12 2
0.4 0.4 0.16 0.16 0.026 0.064 -0.0260 0.00068
-0.4 0.6 0.36 0.36 0.130 0.216 -0.0274 0.00075
-0.8 0.8 0.64 0.64 0.410 0.512 0.0512 0.00263
-1 1 1 1.00 1.000 1.000 0.0100 0.00010
-0.8 1.2 1.44 1.44 2.074 1.728 0.0488 0.00239
-0.4 1.4 1.96 1.96 3.842 2.744 -0.0322 0.00104
0.4 1.6 2.56 2.56 6.554 4.096 -0.0332 0.00110
1.6 1.8 3.24 3.24 10.498 5.832 0.0458 0.00210
3 2 4 4.00 16.000 8.000 0.0050 0.00003
4.8 2.2 4.84 4.84 23.426 10.648 0.0442 0.00196
6.8 2.4 5.76 5.76 33.178 13.824 -0.0364 0.00133
9.2 2.6 6.76 6.76 45.698 17.576 -0.0370 0.00137
12 2.8 7.84 7.84 61.466 21.952 0.0424 0.00180
15 3 9 9.00 81.000 27.000 0.0020 0.00000
18 3.2 10.24 10.24 104.858 32.768 -0.3584 0.12842
22 3.4 11.56 11.56 133.634 39.304 -0.0386 0.00149
26 3.6 12.96 12.96 167.962 46.656 -0.0388 0.00151
30 3.8 14.44 14.44 208.514 54.872 -0.3590 0.12885
35 4 16 16.00 256.000 64.000 0.0010 0.00000
40 4.2 17.64 17.64 311.170 74.088 0.0410 0.00168
220.8 46 132.4 132.40 1467.434 426.880 -0.6956 0.27924
Data Tabel 3.5 diolah dengan bantuan Microsoft Excel 2013, dari
hasil
pengolahan data diperoleh nilai total sebesar -0.6956, nilai total
2 sebesar
0.27924, nilai 1 sebesar 2.3, 2 sebesar 6.62. Nilai koefisien yang
diperoleh
masing-masing sebesar 0 = 2.985, 1 = −7.992, dan 2 = 3.999.
Berdasarkan
angka yang telah diperoleh, maka standar error dapat dicari
menggunakan rumus
yang ada sehingga diperoleh hasil sebagai berikut :
30
2 ∑2 2 − (∑12)
Dari perhitungan diatas diperoleh standar error untuk 0 sebesar
0.028611,
standar error 1 sebesar 0.000106 dan standar error 2 sebesar
0.0000624. dengan
demikian dapat dikatakan bahwa standar error yang diperoleh
terlihat cukup kecil.
3.10 Variansi
nilai, yang didefinisikan sebagai berikut:
31
Misalkan X adalah sebuah variabel acak dan E(X) adalah nilai
harapannya,
yang untuk memudahkan dalam pemberian notasi dinyatakan sebagai .
Maka,
varians dari X didefinisikan sebagai:
() = 2 = ( − )
2 [3.38]
dimana = (). Dari persamaan [3.38], varians dari X semata-mata
merupakan
nilai harapan dari selisih kuadrat antara masing-masing nilai X
dengan nilai rata-
ratanya. Dengan demikian, variansi menunjukan bagaimana penyebaran
masing-
masing nilai X disekitar rata-rata. Jika semua nilai X sama persis
dengan (),
maka variansnya sama dengan nol, sedangkan jika nilai-nilai X itu
menyebar luas
disekitar nilai rata-rata, maka variansnya relatif besar.
Berikut adalah rumus untuk menghitung nilai variansi :
() =∑( − ) 2()
[3.39]
dimana X merupakan variabel acak yang bersifat diskrit. Jika
variabel acak yang
digunakan bersifat kontinu maka akan menjadi
() = ∫( − ) 2() [3.40]
Sebagimana yang ditunjuk pada persamaan [3.39] dan [3.40],
untuk
menghitung variansi dari suatu variabel acak yang bersifat diskrit,
dapat dilakukan
dengan mengurangi nilai tertentu dari variabel tersebut dengan
nilai harapannya,
mengkuadratkan selisih tersebut, dan mengalikan selisih kuadrat
tadi dengan
probabilitas dari masing-masing nilai X. Hal tersebut dilakukan
untuk masing-
masing nilai yang diasumsikan untuk variabel X dan menjumlahkan
hasil kali yang
diperoleh (Gujarati, 2006). Variansi memiliki sifat-sifat
diantaranya yaitu:
1. Nilai variansi dari sebuah konstanta adalah sebesar nol. Hal
tersebut
dikarenakan nilai sebuah konstanta tidak pernah berubah-ubah.
2. Jika X dan Y merupakan dua variabel acak yang tak terikat satu
sama lain,
maka
32
dan ( − ) = () + () [3.41]
Dalam hal ini, variansi dari jumlah atau selisih dua variabel acak
yang tidak
terikat satu sama lain adalah sama dengan jumlah variansi dari
masing-
masing variabel.
( + ) = () [3.42]
( + 7) = ().
3.8.1.3 () = 2() [3.43]
Dengan kata lain, variansi dari sebuah konstanta dikalikan dengan
sebuah
variabel adalah sama dengan kuadrat dari konstanta tersebut
dikalikan
dengan variansi dari variabel tadi.. Jadi, (5) = 25().
5. Jika a dan b adalah konstanta, maka
3.8.1.1 ( + ) = 2() [3.44]
yang sesuai dengan sifat (3) dan (4). Jadi
3.8.1.1 (5 + 9) = 25()
6. Jika X dan Y merupakan dua variabel acak terikat satu sama lain,
sementara
a dan b adalah konstanta, maka
3.8.1.1 ( + ) = 2() + 2() [3.45]
sifat ini mengikuti sifat-sifat sebelumnya. Jadi
3.8.1.1 (3 + 5) = 9() + 25() [3.46]
7. Untuk memudahkan perhitungan, rumus varian persamaan [3.38]
dapat
dituliskan sebagai
yang menyatakanbahwa variansi dari X adalah sama dengan nilai
harapan
dari X kuadrat dikurangi dengan kuadrat nilai harapan.
Sehingga
33
2)
3.11 Kovariansi
dua variabel berubah-ubah atau bergerak bersamaan (dalam hal ini,
bervariansi
bersama). Misalkan X dan Y adalah dua variabel acak dengan
rata-rata () =
dan () = . Maka, kovariansi (cov) antara kedua variabel
didefinisikan sebagai
(, ) = [( − )( − )]
= () − [3.49]
antara dua variabel, harus dinyatakan dulu nilai dari masing-masing
variabel
sebagai deviasi dari nilai rata-ratanya dan mencari nilai harapan
dari hasil kali
kedua variabel. Kovariansi antara dua variabel acak dapat bernilai
positif, negatif,
maupun nol. Jika dua variabel acak bergerak kearah yang sama
(misalnya, jika
keduanya naik), maka kovariansinya akan bernilai positif, sedangkan
jika keduanya
bergerak dengan arah berlawanan (misalnya, yang satu naik dan yang
lainturun),
maka kovariansinya akan bernilai negatif. Namun, jika kovariansi
antar variabel
sebesar nol, berarti tidak ada hubungan (linear) antara kedua
variabel.
Untuk menghitung kovariansi sebagaimana yang didefinisikan
dalam
persamaan [3.49] dengan mengasumsikan bahwa X dan Y adalah variabel
acak
yang bersifat diskrit adalah dengan merumuskannya menjadi seperti
berikut:
(, ) =∑∑( − )( − )
karena perhitungan kavariansi mengharuskan penjumlahan kedua
variabel terhadap
selang (jarak) nilai masing-masing variabel. Dengan menggunakan
notasi integral
kalkulus, rumus serupa dapat ditentukan untuk menghitung kovariansi
dari dua
variabel acak yang bersifat kontinu. Menurut Gujarati (2006),
kovariansi memiliki
sifat-sifat sebagai berikut:
1. Jika X dan Y adalah variabel acak yang bersifat tak terikat satu
sama lain,
maka kovariansinya adalah nol.
dengan mensubtitusi persamaan [3.51] kedalam persamaan [3.49],
maka
diketahui kovarian dua variabel acak bersifat tak terikat satu sama
lain
adalah nol.
2. ( + , + ) = (, ) [3.52]
dimana a, b, c, dan d merupakan konstanta.
3. (, ) = () [3.53]
Dalam hal ini, kovariansi dari sebuah variabel dengan variabel
sendiri sama
dengan varians dari variabel tersebut, yang dapat dibuktikan
berdasarkan
definisi tentang variansi dan kovariansi yang telah disebutkan
sebelumnya.
Maka, jelas bahwa (, ) = ().
4. Jika X dan Y adalah dua variabel acak namun terikat satu sama
lain, maka
rumus variansi yang diberikan dalam persamaan [3.41] perlu
diubah
menjadi seperti berikut:
3.12 Koefisien Determinasi (R2)
Koefisien determinasi (R2) dapat dihitung dari data bersamaan
dengan
koefisien regresinya. Kegunaan dari koefisien determinasi adalah
untuk mengukur
tingkat ketepatan yang paling baik dari analisis regresi. Jika data
observasi dapat
tepat pada garis regresi yang diestimasi, maka dikatakan kecocokan
sempurna dapat
35
dicapai, dalam hal ini koefisien determinasi akan maksimum sebesar
1. Dalam
kenyataannya nilai e (simpangan terhadap garis regresi) selalu ada,
baik yang
bertanda positif maupun negatif, walaupun dengan metode OLS
menekankan nilai
sekecil mungkin. Untuk menghitung besarnya nilai R2, pada
digunakan
langkah sebagai berikut (Sudrajat, 1984) :
JK Total = JK Regresi + JK Galat [3.56]
Selanjutnya jika model [3.59] pada ruas kiri dan kanan dibagi
dengan JKT,
akan diperoleh :
∑ 2 +
∑ 2
2 =
∑ 2 [3.58]
a. tidak memiliki nilai negatif
b. nilainya berkisar antara 0 dan 1 atau 0 ≤ 2 ≤ 1
3.13 Korelasi
Koefisien korelasi ini merupakan alat untuk mengukur
tingkat/derajat
keeratan hubungan antara variabel Y dengan variabel X (jika
merupakan regresi
dua variabel). Korelasi antara dua variabel dapat dicari dengan
koefisien korelasi
(populasi) yang didefinisikan sebagai berikut (Gujarati,
2006):
= (, )
Sebagaimana tampak jelas dari persamaan [3.59], korelasi antara
kedua
variabel acak X dan Y semata-mata merupakan rasio kovarians antara
kedua
36
koefisien korelasi yang didefinisikan di atas mengukur hubungan
linear antara
kedua variabel, atau dengan kata lain, merupakan ukuran tentang
seberapa kuat
hubungan linear di antara kedua variabel.
Selain dengan menggunakan persamaan [3.59], koefisien korelasi
juga
dapat dihitung dengan menggunakan akar kuadrat dari koefisien
determinasi
sehingga
Beberapa karakteristik koefisien korelasi :
1. Bisa bernilai positif maupun negatif. Tanda + atau – bergantung
pada tanda
pembilangnya (∑), yaitu covarian X dan Y.
2. Mempunyai kisaran nilai antara -1 dan +1 atau −1 < ≤
+1.
3. Pada dasarnya bersifat simetris, yaitu korelasi Y terhadap X dan
korelasi X
terhadap Y mempunyai nilai yang sama atau = .
4. Jika Y dan X satu dengan lainnya independen maka R = 0, tapi
jika R = 0
tidak selalu berarti, bahwa Y dan X akan selalu independen.
5. Fungsinya hanya mengukur hubungan yang linear saja, dan tidak
ada artinya
jika dipakai untuk hubungan non-linier.
Meskipun R dipakai untuk mengukur asosiasi antara dua variabel,
tapi
hasilnya tidak bisa dipakai untuk analisis sebab akibat.
3.14 Sifat-Sifat Distribusi Normal
Friedrich Gauss (1777-1855), yang menemukan persamaannya waktu
meneliti
galat dalam pengukuran yang berulang-ulang mengenai bahan yang
sama. Suatu
peubah X yang distribusinya berbentuk lonceng seperti Gambar 3.3
disebut peubah
acak normal. Persamaan matematika distribusi peluang peubah normal
kontinu
bergantung pada dua parameter dan , yaitu rataan dan simpangan
bakunya. Jadi
fungsi padat X akan dinyatakan dengan (; , ). Fungsi padat peubah
acak
normal X, dengan rataan dan variansi 2, adalah
37
Gambar 3.3 Kurva Normal
2 dan 1 = 2 (Gunawan S, 2003)
Pada Gambar 3.2 dilukiskan dua kurva normal mempunyai
simpangan
baku yang sama tapi rataannya beda. Kedua kurva bentuknya sama
persis tapi titik
tengahnya terletak di tempat yang berbeda disepanjang sumbu
datar.
Gambar 3.5 Kurva Normal
(Gunawan S, 2003)
2 dan 1 < 2 (Gunawan S, 2003)
Pada Gambar 3.5 terlukis dua kurva normal dengan rataan yang sama
tetapi
simpangan bakunya berlainan. Terlihat kedua kurva mempunyai titik
tengah yang
sama pada sumbu datar, tapi kurva dengan simpangan baku yang lebih
besar tampak
lebih rendah dan lebih melebar. Perlu diketahui bahwa luas di bawah
kurva peluang
harus sama dengan 1 sehingga bila kumpulan data makin berbeda maka
makin
rendah dan melebar kurvanya. Gambar 3.6 memperlihatkan lukisan dua
kurva
normal yang baik rataan maupun simpangan bakunya berlainan. Jelas
keduanya
memiliki letak titik tengah yang berlainan pada sumbu datar dan
bentuknya
mencerminkan dua nilai yang berlainan.
Dengan mengamati Gambar 3.2 dan Gambar 3.6 dinyatakan bahwa
sifat-
sifat distribusi normal adalah sebagai berikut :
38
a. grafik simetri terhadap garis tegak =
b. grafik selalu berada di atas sumbu X atau () > 0
c. mempunyai satu nilai modus, dimana titik pada sumbu datar
yang
memberikan nilai maksimum kurva
d. grafiknya mendekati sumbu X, tetapi tidak akan memotong sumbu X,
sumbu
X merupakan garis batas (asimtot)
e. luas daerah dibawah kurva () dan di atas sumbu X sama dengan 1,
yaitu
(−∞ < < +∞) = 1.
3.15 Perkalian Kronecker
Perkalian langsung (direct) matriks disebut perkalian kronecker.
Perkalian
kroneker digunakan untuk mendapatkan taksiran dari model SUR. Jika
dua buah
matriks katakanlah matriks dan matriks dimana × =
[]=1,2…;=1,2…
dan × = []=1,2,…,;=1,2,…, sehingga perkalian kroneker dari matriks
dan
matriks dapat ditulis dalam bentuk ⊗ serta disebut matriks
terpartisi.
Misalkan :
] ⊗ [ 11 12 21 22
])
]) ]
= [
1. (⊗ )(⊗) = ⊗
2. (⊗ )− = −⊗−
3. (⊗ )′ = ′⊗′
4. (⊗ ) = (). ()
5. (⊗ ) = (det ) (det)
39
Menurut Dufour (2000) dalam Paulus Basuki (2006) korelasi
kesebayaan
adalah ukuran hubungan antara galat dari p model yang berbeda pada
waktu yang
sama. Untuk mengetahui adanya korelasi kesebayaan di antara model
yang berbeda
dilakukan dengan cara membandingkan kuadrat koragam galat model
ke-i dan ke-j
dengan simpangan baku galat model ke-t dan simpangan baku galat
model ke-j
(, = 1, 2, . . . , ). Pengujian korelasi kesebayaan menggunakan
statistik dengan
H0 : = 0 (semua kovarian bernilai nol/tidak terdapat korelasi
kesebayaan)
H1 : Minimal adalah salah satu ≠ 0 (terdapat korelasi
kesebayaan)
Statistik uji yang digunakan adalah statistik yaitu :
= ∑∑ 2
yang merupakan korelasi antara persamaan ke-i dan persamaan
ke-j, 2 merupakan varians antara persamaan ke-i dan persamaan ke-j,
adalah
varians persamaan ke-i, dan adalah varians persamaan ke-j.
mempunyai
sebaran 2 dengan derajat bebas (−1)
2 , sehingga nilai 2 (
2 , ). Keputusan
akan tolak H0 jika nilai lebih besar dari nilai 2.
3.17 Uji Homogenitas
Menurut Greene (2000), model SUR dengan estimasi OLS
menganggap
bahwa galat yang dihasilkan mempunyai ragam yang sama (homogen) dan
tidak
terjadi korelasi kesebayaan, sedangkan untuk model SUR dengan
estimasi GLS
mengakui adanya korelasi kesebayaan antar galat dan menyatakan
bahwa galat
yang dihasilkan mempunyai ragam yang berbeda (heteroskedastisitas).
Pengujian
kesamaan ragam galat menggunakan statistik Bartlett, dengan :
H0 : 1 2 = 2
H1 : Terdapat salah satu 2 ≠
2 , , = 1,2, … , (memiliki ragam galat yang
tidak homogen)
40
=1
[3.64]
dengan 2 merupakan ragam galat model ke-i. Statistik Bartlett
mempunyai
sebaran −1,(−1),.
Pada tahun 1962 Arnold Zellner memperkenalkan model SUR.
Zellner
mengemukakan bahwa SUR merupakan model regresi multivariat
(multiple
regression), dan merupakan bagian dari regresi linier berganda. SUR
adalah suatu
model yang terdiri dari beberapa persamaan dan variabel-variabelnya
tidak bersifat
dua arah, akan tetapi antar persamaan tersebut terjadi korelasi
antara galat-galat
pesamaan tersebut yang dikenal dengan korelasi kesebayaan. Model
SUR terdiri
atas beberapa sistem persamaan yang tidak berhubungan (unrelated)
artinya bahwa
setiap variabel (dependen maupun independen) terdapat dalam satu
sistem.
Singkatnya sistem persamaan linier beberapa persamaan regresi dapat
diselesaikan
menjadi satu set persamaan saja. Dari persamaan-persamaan regresi
yang berbeda
dapat disatukan untuk mendapatkan parameter yang efisien dengan
SUR. Sistem
persamaan regresi multivariat dinyatakan seperti berikut ini:
1 = 0 + 1111, ++ 111,1, + 1
2 = 0 + 2121, ++ 221,2, + 2
= 0 + 11, ++ 1,, + [3.65]
dimana: t = 1,2,…., n. Persamaan tersebut apabila disajikan dalam
notasi matriks
diperoleh persamaan berikut :
dimana
∗ = [
41
dengan ∗ adalah vektor kolom nilai variabel dependen dengan ukuran
× 1, ∗
adalah vektor parameter model SUR yang berukuran × 1, ∗ adalah
vektor
kolom galat yang berukuran × 1 berdistribusi normal multivariat,
dan ∗
menyatakan diagonal matrik × , sendiri menyatakan dimensi vektor.
Dengan
asumsi () = 0 dan () = , untuk i = 1, 2, .. , n. Selanjutnya
jika
persamaan [3.51] ditambahkan asumsi khusus yaitu (, ) = untuk i,j
=
1, 2, .. , q, Maka sistem tersebut dikenal dengan model SUR.
Persamaan [3.66]
diasumsikan memiliki matriks varian kovarian berikut :
= [
persamaan [3.51] dapat juga ditulisakan dalam bentuk regresi
multivariat berikut :
= + [3.68]
dimana = (1, … , ), = (1, … , ) ′ dengan adalah vektor × 1, =
(1, … , ), dan
menggunakan matrik residual perkalian dalam yaitu
∑ = 1
′ [3.70]
Estimasi GLS pada model SUR diperkenalkan oleh Greene pada
tahun
2000. Metode estimasi GLS pada model SUR merupakan pengembangan
dari
42
metode OLS yang digunakan untuk model multivariat. Dari persamaan
[3.67]
dengan asumsi nilai V diketahui, maka diperoleh estimator GLS untuk
model SUR
sebagai berikut (Dina Kamalia, 2006):
= (′−)−′− [3.71]
dengan
n = ∑ −n [3.72]
pada kasus tertentu nilai V tidak diketahui, maka untuk
mengestimasi parameter
tidak dapat dilakukan langsung melalui persamaan [3.71]. Untuk
mengatasi kendala
tersebut langkah awal yang harus dilakukan adalah dengan
mengestimasi matriks
. Dengan menggunakan metode two stage Aiiken yaitu
= [
′ ( − )] [3.74]
dengan nilai K* = Maks (1, 2), i, z = 1, 2, ..., q. p1 dan p2
adalah banyak variabel
bebas untuk persamaan ke-i dan ke-z. diestimasi dengan metode OLS
untuk
masing-masing persamaan. Oleh karena itu, penduga bagi V dibentuk
dari
persamaan tunggal dengan metode Kuadrat terkecil (OLS).
Selanjutnya
menghitung matrik V, yaitu :
SUR sebagai berikut:
Untuk mengukur ketepatan model SUR yang diperoleh dari hasil
pendugaan
parameter Mc Elroy (1977) dalam Green (2000) menggunakan
koefisien
determinasi untuk model SUR yang dirumuskan sebagai berikut:
2 = 1 − ′−1
=1 =1
[3.77]
Contoh analisis estimasi GLS pada model SUR dengan variabel
dependen
Y1 dan Y2 dengan variabel independen X1 dan X2. Jika diketahui
persamaan 1 =
0 + 11 + 22 + dan 2 = 0 + 11 + 22 + .
Tabel 3.6 Data Ilustrasi Estimasi GLS
Obs Y1 Y2 X1 X2
1 5 6 7 5
2 3 9 3 6
3 5 6 2 5
4 7 2 1 3
5 2 8 0 2
Tabel 3.7 Nilai OLS
44
Dari data ilustrasi di atas, nilai estimasi OLS dan nilai residual
kedua
persamaan diperoleh dengan bantuan Microsoft Excel 2013. Untuk
mengestimasi
parameter dari kedua persamaan di atas dengan estimasi GLS
digunakan persamaan
[3.61] dengan
) =
(
1 0 2 0 0 0 0 0 0
0 0 0 1 7 5 1 3 6
0 0 0
1 0 2)
Selanjutnya untuk mengestimasi nilai yang didapatkan dengan
menggunakan persamaan [3.59], sehingga diperoleh
11 2 =
∑ 1 2
=1
) = ( 3.646 −4.759 −4.759 6.220
)n
dari nilai diperoleh nilai − seperti pada persamaan [3.60]
× − = [
setelah diketahui komponen-komponen penyusun parameter , misalkan
=
(′−1)−1 dan = ′−1 dimana parameter estimasi GLS = × maka
45
′−1 =
sehingga diperoleh parameter estimasi GLS untuk model SUR sebagai
berikut:
= (′−)−′− =
(
. . −. . −. . )
Setelah diperoleh parameter estimasi GLS untuk model SUR maka
diperoleh perbandingan antara nilai estimasi parameter dengan
estimasi GLS pada
model SUR dan estimasi OLS sebagai berikut:
Tabel 3.9 Perbandingan Nilai Estimasi SUR dan OLS
Persamaan Koefisien SUR OLS
Y1 0 4.50 4.50
BAB IV
METODOLOGI PENELITIAN
4.1 Data
Data yang digunakan pada penelitian ini adalah berupa data
sekunder. Data
diperoleh dari World Bank Open Data pada situs
https://data.worldbank.org/.
Penelitian ini menggunakan studi literatur tentang pengaruh PDB,
suku bunga, nilai
ekspor dan nilai impor setiap negara terhadap FDI dari tiga negara
di Asia Tenggara
yaitu negara Indonesia, Singapura dan Filipina. Penelitian ini
menggunakan data
time series dari tahun 1987 hingga 2016. Pada penelitian ini yang
menjadi variabel
dependen (Yi) adalah FDI di negara Indonesia, Singapura dan
Filipina; sedangkan
variabel independen (X) yang digunakan adalah variabel PDB (Xi1),
suku bunga
(Xi2), nilai impor (Xi3) dan nilai ekspor (Xi4), dengan i = 1
(Indonesia), 2
(Singapura), dan 3 (Filipina).
Pada penelitian ini, himpunan data yang digunakan adalah data
yang
diperoleh dari World Bank Open Data, dimana variabel yang digunakan
adalah
Tabel 4.1 Definisi Operasional Variabel
Variabel Kode Definisi Operasional Variabel Satuan
FDI Yi Investasi asing langsung yang dapat digunakan
untuk menggerakan aktivitas ekonomi/bisnis
oleh unit-unit produksi didalam batas wilayah
suatu negara selama satu tahun
Milyar
(US$)
kepada yang meminjamkan
Impor Xi3 Pemasukan barang dari luar kedalam negeri,
atau dapat dikatakan sebagai kegiatan ekonomi
membeli produk luar negeri untuk keperluan
atau dipasarkan didalam negeri
jasa dari suatu negara ke negara lain secara
legal
Milyar
(US$)
Penelitian ini menggunakan metode analisis feasible GLS pada model
SUR.
Proses analisis data dilakukan dengan bantuan software Microsoft
Excel 2013, IBM
SPSS 22 dan software R 3.4.2.
4.4 Tahapan Penelitian
menggunakan feasible GLS adalah sebagai berikut:
1. Melakukan eksplorasi gambaran peubah.
2. Menyusun persamaan regresi FDI dari empat negara yang menjadi
kajian
penelitian dengan peubah bebas yang mempengaruhi persamaan.
3. Menduga model menggunakan OLS untuk masing-masing
persamaan
secara terpisah.
QQ Plot yang dikuatkan dengan uji Jarque Bera.
5. Jika ada galat model yang tidak normal, maka perlu dilakukan
langkah-
langkah berikut:
- Pilih transformasi data yang sesuai untuk peubah tak bebas pada
model
yang menghasilkan galat tidak menyebar normal
- Melakukan transformasi data untuk peubah bebas
- Menduga model setelah transformasi data dengan OLS
48
7. Menyusun model SUR jika uji korelasi kesebayaan terpenuhi.
8. Melakukan interpretasi model
Dari tahapan analisis data diatas, diilustrasikan dalam diagram
alur berikut:
Gambar 4.1 Diagram Alir Penelitian
49
Analisis deskriptif digunakan untuk menggambarkan nilai FDI,
PDB,
tingkat suku bunga, nilai ekspor dan impor dari negara Indonesia,
Singapura dan
Filipina dari tahun 1987 hingga 2016. Analisis deskriptif dilakukan
dengan bantuan
Microsoft Excel, sehingga diperoleh hasil berikut :
Gambar 5.1 Grafik FDI (netInflow, Milyar US$) (Data diolah)
Berdasarkan Gambar 5.1 di atas, arus FDI dari tahun 1987 sampai
dengan
2016 terlihat cukup fluktuatif pada negara Indonesia dan Singapura,
sedangkan
pada negara Filipina arus FDI terlihat lebih stabil dari tahun ke
tahun. Di negara
Indonesia sendiri arus FDI tahun 1998, 1999, 2000, 2001 dan 2003
bernilai minus
dengan masing-masing sebesar 241, 1866, 4550, 2977 dan 596 milyar
dollar. Arus
FDI yang bernilai minus berarti bahwa pada tahun-tahun tersebut
investasi yang
keluar dari Indonesia lebih besar dibanding arus kas yang masuk ke
Indonesia.
Kemudian pada tahun-tahun selanjutnya, arus FDI cenderung
fluktuatif, meskipun
tidak ada lagi yang bernilai minus. Sama halnya dengan Indonesia,
Singapura juga
mengalami arus FDI yang fluktuatif. Pada tahun 2008 Singapura
mengalami
penurunan arus FDI yang cukup besar dengan penurunan FDI mencapai
35.532
milyar dollar dibandingkan arus FDI pada tahun sebelumnya.
-10000
0
10000
20000
30000
40000
50000
60000
70000
80000
50
Pada era globalisasi saat ini, dampak peristiwa di negara lain baik
dalam
satu kawasan ekonomi maupun tidak berada dalam satu kawasan sedikit
banyak
turut andil mempengaruhi perekonomian negara lain. Seperti halnya
krisis ekonomi
yang terjadi di Indonesia pada tahun 1998, hal tersebut juga
berpengaruh pada arus
FDI yang masuk ke Indonesia seperti yang terlihat pada Gambar 5.1.
Selain itu,
krisis yang membawa dampak besar juga terjadi karena krisis
keuangan di Amerika
dan Eropa pada tahun 2008. Krisis pada tahun 2008 juga berdampak
pada kegiatan
ekonomi negara-negara ASEAN. Penurunan arus FDI di Indonesia dan
Singapura
pada tahun 2008 merupakan contoh nyata dari krisis tahun 2008. Hal
ini terjadi
karena dalam penanaman modal di sektor riil, investor perlu melihat
resiko
ekonomi dikarenakan FDI merupakan investasi jangka panjang.
Gambar 5.2 Grafik Produk Domestik Bruto (Milyar, US$) (Data
diolah)
Berbeda dengan grafik FDI, pada Gambar 5.2 memperlihatkan bahwa
pada
grafik PDB Indonesia jauh lebih besar jika dibandingkan dengan
negara Singapura
dan Filipina. Dalam 30 tahun terakhir PDB Indonesia terus mengalami
peningkatan,
meskipun pada tahun 1998 mengalami penurunan yang drastis sebesar
128090
milyar dollar, hal ini dikarenakan oleh adanya krisis moneter yang
terjadi di
Indonesia pada tahun 1998. Sementara itu, penurunan PDB Indonesia
juga terjadi
pada tahun 2008 dan 2015 namun penurunan tersebut tidak sedrastis
yang terjadi
pada tahun 1998. Pada suatu negara PDB bisa saja mengalami kenaikan
dan
penurunan, hal ini dipicu oleh faktor banyaknya produk yang
dihasilkan, jumlah
permintaan, dan money supply.
Penyebab PDB bisa naik karena perusahaan/orang bekerja
sehingga
menghasilkan barang dan jasa yang lebih banyak. Sedangkan PDB bisa
turun juga
karena perusahaan/orang bekerja menghasilkan lebih sedikit barang
dan jasa. Salah
satu faktor yang paling berpengaruh pada kenaikan dan penurunan ini
adalah karena
faktor permintaan. Jika permintaan naik maka perusahaan/orang
menghasilkan
barang dan jasa yang banyak, begitu juga sebaliknya. Tingginya
permintaan juga
dipengaruhi oleh harga, bila harga naik maka transaksi tentu
membutuhkan jumlah
uang yang lebih banyak, tetapi jumlah supply uang tetap. Karena
jumlah supply
uang tetap, maka jumlah barang dan jasa yang dihasilkan lebih
sedikit. Oleh karena
itu, terjadilah penurunan PDB. Jika dilihat dari Gambar 5.2, nilai
PDB pada negara
Singapura dan Filipina terlihat memiliki nilai yang hampir sama,
dengan kenaikan
terjadi dari tahun ke tahun.
Gambar 5.3 Grafik Suku Bunga (%) (Data diolah)
Grafik suku bunga di atas merupakan grafik suku bunga riil. Suku
bunga riil
adalah rasio daya beli dari uang yang dibayarkan terhadap daya beli
jumlah uang
yang dipinjam, atau selisih antara suku bunga nominal dengan
tingkat inflasi pada
periode bersangkutan. Berdasarkan Gambar 5.3 suku bunga dalam 30
tahun
terakhir cukup fluktuatif pada rentang -25% sampai denngan 15%.
Jika
diperhatikan pada tahun 1998, tahun 2000 dan tahun 2008 terlihat
suku bunga di
Indonesia dan Filipina mengalami penurunan bahkan mencapai nilai
minus. Efek
krisis keuangan pada tahun 1998 dan 2008 berdampak juga pada suku
bunga di
Indonesia dan Filipina. Pemberlakuan suku bunga negatif
menunjukkan
-30
-25
-20
-15
-10
-5
0
5
10
15
20
52
perlambatan ekonomi tengah terjadi di Negara Indonesia dan Filipina
kala itu.
Menurut Ekonom BCA David Samual yang dilansir dalam
finance.detik.com
kebijakan pemberlakuan suku bunga minus perlu dilakukan agar
ekonomi kembali
pulih dengan harapan hal tersebut bisa mendorong masyarakat untuk
menarik
dananya dan membelanjakannya ke sektor yang lebih produktif
sehingga
perekonomian kembali bergerak. Pemberlakuan suku bunga negatif
tidak hanya
diberlakukan di Indonesia maupun Filipina, tapi juga pada negara
besar lainnya
seperti Jepang, Swedia, Jerman, Swiss, dan lain-lain. Penetapan
suku bunga negatif
oleh bank sentral suatu negara biasanya berdampak pada penurunan
permintaan
terhadap mata uang negara tersebut, sehingga nilai tukar mata
uangnya melemah.
Di sisi lain, kenaikan suku bunga berdampak pada menguatnya nilai
mata uang
suatu negara. Akan tetapi, pengaruh tingkat suku bunga pada nilai
mata uang tidak
akan selalu berlaku demikian. Dalam kondisi tertentu, bisa saja
terjadi anomali,
terutama apabila hasil pengumuman suku bunga bank sentral ternyata
di luar
ekspektasi pasar.
Aktifitas ekspor impor dinegara Indonesia, Singapura dan Filipina
setiap
tahunnya mengalami peningkatan. Hal tersebut dapat dilihat pada dan
Gambar 5.4
dan Gambar 5.5 dimana terjadi pergerakan grafik yang terus
meningkat kearah
kanan. Hanya saja pada tahun 2009 dan 2010 kedua grafik tersebut
mengalami
penurunan. Kegiatan impor disuatu negara digagas karena terbatasnya
persediaan
yang dimiliki. Pada dasarnya kegiatan ekspor impor ini dapat
menumbuhkan
0
100000
200000
300000
400000
500000
600000
(M il
y ar
dilibatkan dan sama-sama mendapat keuntungan, baik keuntungan hasil
jual
maupun keuntungan atas pemenuhan kebutuhan. Ekspor impor juga
merupakan
salah satu lapangan pekerjaan yang besar pengaruhnya bagi para
pebisnis. Sejalan
dengan kegiatan impor yag dari tahun ke tahun mengalami penigkatan,
kegiatan
ekspor pun dari tahun ketahunnya mengalami kenaikan, meski pun
kenaikannya
terlihat fluktuatif. Namun pada 2 tahun terakhir ini aktivitas
ekspor impor Indonesia
dan Singapura mengalami kelesuan, hal tersebut terlihat dari grafik
ekspor impor
yang mengalami penurunan.
5.2 Analisis Seemingly Unrelated Regression (SUR)
Sebelum menganalisis data dengan metode SUR, terlebih dahulu
dilakukan
analisis regresi dengan menggunakan OLS untuk mem